基于改进蚁群算法的模糊控制器优化设计

基于变异算子改进蚁群算法学习的模糊认知图胡运杰;邓燕妮【摘要】传统的模糊认知图学习算法需要依靠专家知识来建立模糊认知图模型.在专家知识受到限制的一些领域,完全通过数据来学习模糊认知图的算法是有必要的.提出的基于蚁群优化的学习算法,可以有效做到通过历史数据学习模糊认知图;为避免蚁群算法陷入局部最优的问题;以及其学习所得模型不够精确的问题,引入变异算子以改进蚁群算法,来提高算法性能,避免局部最优问题,得到更准确的模型.最后,算法性能在人工数据上进行了测试.实验表明,算法性能良好,可以得到准确的模糊认知图模型.%Traditionally fuzzy cognitive maps are developed byexperts.Learning FCMs directly from data is nee-ded when expert knowledge is limited in some areas.An algorithm based on ant colony optimization is proposed to learn FCMs from data effectively. To avoid the problem of local optimization,mutation operator is lead up to improve the performance of ant colony algorithm and obtain more accurate FCM model. Finally,the performance of the algo-rithm is tested on artificial data.The experiment shows that the algorithm has good performance and can get an accurate FCM model.【期刊名称】《科学技术与工程》【年(卷),期】2018(018)007【总页数】5页(P203-207)【关键词】模糊认知图;蚁群算法;变异算子;数值优化【作者】胡运杰;邓燕妮【作者单位】武汉理工大学自动化学院,武汉430070;武汉理工大学自动化学院,武汉430070【正文语种】中文【中图分类】TP391.41因果关系的表示与推理是人工智能中一个重要的研究领域。

基于遗传-蚁群算法的PH EB 模糊控制策略优化尹安东 赵 韩 张 辉合肥工业大学,合肥,230009摘要:以并联式混合动力客车(PH EB)为研究对象,设计了以整车需求转矩与发动机最佳转矩之差以及超级电容荷电状态为输入,以发动机转矩为输出的模糊控制器,并应用遗传-蚁群算法对其进行隶属度函数和控制规则优化。

基于M ATLAB/Adv isor 建立了PH EB 模糊控制策略模型和整车模型,并对优化前后的实例PH EB 性能进行了仿真分析。

研究结果表明,优化后的模糊控制策略能够满足设计要求,且等效燃料消耗量比优化前降低了10.2%。

关键词:并联式混合动力客车(PH EB);遗传-蚁群算法;模糊控制策略;优化中图分类号:U 469.7 文章编号:1004 132X(2011)14 1754 06Optimization of Fuzzy Control Strategy for Parallel Hybrid Electric Bus Based on Genetic -ant C olony AlgorithmYin Ando ng Zhao H an Zhang H ui H efei U niversity of T echno logy ,H efei,230009Abstract :For a kind o f PH EB,a fuzzy controller w as constructed by using the difference betw een the r equested to rque and optim al engine to rque and taking the super capacito r state of char ge as in puts,and the eng ine torque as the output.T he m em bership functions and r ules of fuzzy contr oller w ere optimized sim ultaneously by using genetic-ant colony algo rithm.A simulatio n model of the fuzzy contr ol strateg y was established by M ATLAB/Adv isor.T he performance of the optim ized PH EB w ere sim ulated.T he results sho w that the optim ized fuzzy co ntro l str ategy can m eet the re quirements o f ov erall vehicle perform ance and the fuel co nsum ption is reduced by 10.2%compared w ith the non-o ptimized PH EB.Key words :parallel hy br id electr ic bus(PH EB);g enetic-ant colony alg orithm ;fuzzy co ntro l strat egy ;optim ization收稿日期:2010 08 16基金项目:国家高技术研究发展计划(863计划)资助重大项目(2008A A11A139)0 引言目前,混合动力汽车(hybrid electric vehicle,H EV)的控制策略主要有逻辑门限值控制策略、瞬时优化控制策略、全局优化控制策略和模糊控制策略等[1 2]。

第26卷 第6期2019年6月仪器仪表用户INSTRUMENTATIONVol.262019 No.6基于莱维飞行的改进蚁群算法的PID参数优化孙 悦，何同祥（华北电力大学 控制与计算机工程学院，河北 保定 071003）摘 要：针对蚁群算法存在易于过早地收敛并陷入局部最优的问题，应用莱维飞行搜索模式对蚁群算法改进，改变蚁群算法寻优过程中的信息素更新方式，并将改进后的算法应用于过热汽温控制系统。

仿真结果表明，利用改进算法整定的PID参数，减小了超调量，缩短了过渡时间，整定效果更优。

关键词：PID控制；蚂蚁算法；莱维飞行；参数优化；改进算法中图分类号：TP273 文献标志码：AOptimization of PID Parameters Based on Improved AntColony Algorithm for Levy FlightSun Yue ，He Tongxiang（School of Control and Computer Engineering, North China Electric Power University, Hebei, Baoding, 071003, China）Abstract：Aiming at the problem that the ant colony algorithm is easy to prematurely converge and fall into local optimum, the Levy flight search mode is applied to improve the ant colony algorithm, and the pheromone update method in the ant colony al-gorithm optimization process is changed, and the improved algorithm is applied. Used in superheated steam temperature control systems. The simulation results show that the PID parameters adjusted by the improved algorithm reduce the overshoot and shorten the transition time, and the tuning effect is better.Key words：PID control；ant colony algorithm；levy flight；parameters optimization；improved algorithm比例—积分—微分（PID）控制器以其原理简单、性能良好等优点一直被工程人员青睐，如何选取最优的PID控制器参数成为改善控制器性能，提高控制品质的关键。

蚁群优化的改进型神经网络控制器设计朱闯;林勇;温阳东【摘要】利用可调激活函数改进神经网络，提高神经网络的泛化能力，并推导出激活函数参数的调节公式；对蚁群算法加以改进，以加快算法收敛速度、避免局部最优解，利用改进的蚁群算法对神经网络参数加以优化，并用优化后的改进型神经网络在线整定控制器参数。

仿真表明，对于较复杂的系统该方法比传统的神经网络PID 控制有更好的控制效果。

%Adjustable activation function was used to improve the generalization ability of neural network and the adjustment formula for activation function parameter was derived.Improving the ant colony algorithm to ac-celerate the convergence rate and to avoid the local optimal solution was implemented,including making use of the improved ant colony algorithm to optimize the neural network and setting the controller parameters on line. The simulation results show that this method has better control effect on complex system than the traditional neural network PID controller.【期刊名称】《化工自动化及仪表》【年(卷),期】2015(000)007【总页数】4页(P785-788)【关键词】蚁群算法;可调激活函数;改进型神经网络;人工智能【作者】朱闯;林勇;温阳东【作者单位】合肥工业大学电气与自动化工程学院，合肥 230009;合肥工业大学电气与自动化工程学院，合肥 230009;合肥工业大学电气与自动化工程学院，合肥 230009【正文语种】中文【中图分类】TP273由于实际生产过程中对象的时变性、非线性、耦合性和不确定性，常规PID控制系统控制效果不理想[1]。

矿产资源开发利用方案编写内容要求及审查大纲
矿产资源开发利用方案编写内容要求及《矿产资源开发利用方案》审查大纲一、概述
㈠矿区位置、隶属关系和企业性质。

如为改扩建矿山, 应说明矿山现状、
特点及存在的主要问题。

㈡编制依据
(1简述项目前期工作进展情况及与有关方面对项目的意向性协议情况。

(2 列出开发利用方案编制所依据的主要基础性资料的名称。

如经储量管理部门认定的矿区地质勘探报告、选矿试验报告、加工利用试验报告、工程地质初评资料、矿区水文资料和供水资料等。

对改、扩建矿山应有生产实际资料, 如矿山总平面现状图、矿床开拓系统图、采场现状图和主要采选设备清单等。

二、矿产品需求现状和预测
㈠该矿产在国内需求情况和市场供应情况
1、矿产品现状及加工利用趋向。

2、国内近、远期的需求量及主要销向预测。

㈡产品价格分析
1、国内矿产品价格现状。

2、矿产品价格稳定性及变化趋势。

三、矿产资源概况
㈠矿区总体概况
1、矿区总体规划情况。

2、矿区矿产资源概况。

3、该设计与矿区总体开发的关系。

㈡该设计项目的资源概况
1、矿床地质及构造特征。

2、矿床开采技术条件及水文地质条件。

基于蚁群学习算法的模糊小波神经网络控制
近年来，随着工业技术的不断发展，模糊小波神经网络控制已被广泛应用于复杂系统
的控制。

然而，模糊小波神经网络控制技术仍存在着许多挑战，其中包括参数估计、压缩
比率、收敛性能和调节精度等等。

针对上述问题，基于蚁群学习的模糊小波神经网络控制
方法应运而生。

它利用蚁群学习的特性来完成必须的参数估计和收敛处理。

作为蚁群算法的一种应用，基于蚁群学习的模糊小波神经网络控制方法利用蚂蚁的特
性来计算最优化的参数提供者。

具体来说，该方法向蚂蚁发送一系列参数，它们会通过迭
代计算出最优参数，从而使模糊小波神经网络最大限度地发挥其实际性能。

同时，蚁群学
习也可以有效地改善模糊小波神经网络的收敛性能。

此外，在蚁群学习的框架下，自适应
压缩算法可以应用于模糊小波神经网络控制，从而改善系统的压缩比率，提高调节精度。

总之，基于蚁群学习的模糊小波神经网络控制方法既节约资源，又能够解决复杂系统
的控制难题。

目前，许多企业都在利用蚁群算法来改善模糊小波神经网络控制的控制性能，提高控制系统的效率和可靠性，帮助他们更好地实现工业化现代化的发展。

蚁群算法在北虫草发酵温度模糊控制系统中的应用姜汶君;张瑞青;刘淑霞;王骞【摘要】模糊控制器的量化因子和比例因子对北虫草发酵温度的调节品质影响很大,针对人工选择量化因子和比例因子时主观因素强且难以实现全局最优的缺点,采用蚁群算法对两类模糊因子进行优化.仿真结果表明,优化后的模糊控制器静态、动态性能均优于优化前模糊控制器.【期刊名称】《农机化研究》【年(卷),期】2012(034)007【总页数】4页(P200-203)【关键词】北虫草;模糊控制;蚁群算法;量化因子;比例因子【作者】姜汶君;张瑞青;刘淑霞;王骞【作者单位】河北农业大学机电工程学院,河北保定071001;河北农业大学机电工程学院,河北保定071001;河北农业大学机电工程学院,河北保定071001;河北农业大学机电工程学院,河北保定071001【正文语种】中文【中图分类】TP130 引言冬虫夏草[1]是我国三大名贵中药材之一, 但其天然资源有限，而人工培养的北冬虫夏草经过科学的分析和实验证明，其药用成分及药理作用与冬虫夏草相同。

因此，通过人工培养北虫草可以弥补天然虫草资源的不足。

北虫草菌丝体在培养基深层发酵生长，而子实体是在培养基顶上暴露在空气中生长的。

菌体从菌丝体生长阶段过渡到子实体生长阶段的过程称之为原基分化。

原基分化需要外界因素如温度变化为刺激，促使菌体由菌丝体生长阶段过渡到子实体生长阶段。

原基分化时需较大温差刺激，一般应保持5～10℃温差。

所以，温度是北虫草发酵过程的重要控制参数，但该发酵过程是一个复杂的生化反应过程,具有大惯性、纯滞后、非线性等特点, 难以建立实际发酵生产过程的数学模型，模糊控制不失为一种有效的手段。

但模糊控制器的设计受到设计者主观因素的影响较多，特别是在对控制性能有较大影响的量化因子和比例因子选择上，还以“试凑法”为主，耗时耗力，更难以达到全局最优。

为此，本文将蚁群算法引入到模糊控制器的设计中，对两类因子进行优化，使大部分的调整工作都可以通过计算机自动完成，缩短了模糊控制器的设计周期，并且能获得优良的性能。

鬃■裂蹴YV A L LE工基于蚁群算法的交叉口两级模糊控制器的设计王建强马文阁张廷丰高洪波(辽宁工业大学电气工程学院辽宁锦州121001)信息科学[摘要]采用分级的模糊控制器即优化相序又优化绿灯时间，同时又使控制规则的选取更加容易。

并用蚁群算法对之进行优化，使系统能够自适应选取隶属函数参数，使设胃更加合理。

通过仿真证明，该系统能有效的提高交叉口的通行能力，减少车辆延误。

[关鐾词]智能交通交叉口蚊群算法中固分类号：T P2文献标识码：A文章编号：1671—7597(2005)1210053-'01一、曹曹交叉口是交通阻塞的主要发生点，交叉口信号灯控制系统是城市交通系统中的重要组成部分。

本文利用模糊控制器的分级设计，即优化相序又优化绿灯时间，同时利用蚁群算法改进控制器的设计参数，从而德到更符合实际的信号灯模糊控制器。

二、蕾号灯两级梗●曩撞翻■设计交叉口的相位分为东西和南北两部分，东西放行的时候决不会放行南北相位。

所以一个周期内放行的相序可以有以下几个组合：a bc d，abdc，ba ed，badc，cdab，c dba，de ab．dcba。

(其中abed分别为东西直行．左转和南北直行，左转)。

图l为系统框图。

线詈豳叁譬厂]赣行相位配I客冈圈翼蝴序旧尸萋————一U讨_＼’毪二]鸶b放行时圃旧测U翅疽L 器交j潭l选择懊块I撇图1模糊控制系统框图我们设计的模糊控制器分为两级，第一级为相序决策级，第二级为配时决策级。

第一级决定以那一种相位顺序放行(上述八种中的～种)。

第二级决定放行的各相位的放行时间。

具体控制过程为，当一个周期结束后，线圈检测器将榆测到的交通流数据(排队车辆数和车辆到达率)送到第一级模糊控制器作为输入，东西相位选择模块比较东两两相位的排队车辆数，得出东西方向相位顺序(ab或者ba)，并将最紧迫相位作为输入送到相序决策模块；同理．得H{南北方向相位顺序(c d或者dc)，也将最紧迫相位作为输入送到相序决策模块。

基于改进蚁群算法的优化方法及其应用IntroductionMetaheuristic algorithms are popular techniques used for solving complex optimization problems such as the traveling salesman problem, portfolio optimization, and many others. One of the famous metaheuristic algorithms is the Ant Colony Optimization (ACO) algorithm, which simulates the behavior of ants in finding the shortest path between their colony and a food source. However, the traditional ACO algorithm has some limitations that affect its performance in solving complex optimization problems. In this article, we will introduce an improved version of the ACO algorithm and its applications in various optimization problems.Chapter 1: Basic Ant Colony Optimization AlgorithmThe ACO algorithm is a population-based search algorithm that imitates the behavior of ants in finding the shortest path between their nest and food source. The algorithm consists of a set of ants that move through a graph and deposit pheromone trail on the edges they traverse. The pheromone trail acts as a form of communication among ants, and those edges with the highest pheromone concentration are more likely to be chosen by other ants.The basic steps of the traditional ACO algorithm are as follows:1. Set the number of ants, the initial pheromone concentration, and the heuristic value for each edge.2. Each ant selects a starting node and iteratively selects the next node based on a probabilistic rule that combines the pheromone trail and the heuristic value of each edge.3. After an ant completes a tour, the pheromone trail on each edge is updated based on the length of the tour. Edges with shorter tour length receive more pheromone.4. Repeat steps 2 and 3 until a stopping criterion is met.Chapter 2: Limitations of Basic ACO AlgorithmAlthough the traditional ACO algorithm is effective in solving many combinatorial optimization problems, it has some limitations that may affect its performance in solving more complex problems. Some of the limitations are:1. Premature Convergence: The ACO algorithm tends to converge prematurely to a local optimum, which means that it fails to explore the search space adequately, leading to suboptimal solutions.2. Stagnation: The algorithm can get stuck in a local optimum due to the lack of exploration.3. Inefficient Parameter Tuning: The performance of the ACO algorithm highly depends on parameter values such as the pheromone evaporation rate, the initial pheromone value, and the visibility of theedges. The selection of appropriate parameter values can be challenging and time-consuming.Chapter 3: Improved Ant Colony Optimization AlgorithmTo address the limitations of the basic ACO algorithm, several improved versions have been proposed. One of the popular improved ACO algorithms is the Max-Min Ant System (MMAS) algorithm that ensures better exploration and avoids premature convergence.The MMAS algorithm introduces several enhancements that improve the performance of the basic ACO algorithm. These enhancements include:1. Pheromone Updating Rule: The MMAS algorithm uses a max-min strategy to update the pheromone trail. Each edge's pheromone concentration is bounded by a maximum and minimum value to ensure proper pheromone evaporation and allow better exploration of the search space.2. Pheromone Initialization: The initial value of the pheromone concentration is set to a higher value than the traditional ACO algorithm to encourage global exploration.3. Dynamic Parameter Tuning: The algorithm uses a dynamic parameter tuning mechanism that adjusts the parameter values based on the current state of the search. This tuning mechanism helps to find a balance between exploration and exploitation.The MMAS algorithm has been successfully applied in many optimization problems such as the Traveling Salesman Problem, Quadratic Assignment Problem, and many others.Chapter 4: Applications of Improved ACO AlgorithmThe improved ACO algorithm has been applied in many real-world optimization problems such as:1. Wireless Sensor Network Optimization: The optimization of Wireless Sensor Networks (WSNs) is a challenging task due to the complex nature of the network topology. The ACO algorithm has been used to optimize the WSN topology for better energy efficiency, coverage, and connectivity.2. Vehicle Routing Problem: The Vehicle Routing Problem (VRP) is a combinatorial optimization problem where a set of vehicles has to visit a set of customers while minimizing the total distance traveled. The ACO algorithm has been used to optimize the route taken by the vehicles to minimize the total distance traveled.3. Image Segmentation: Image segmentation is a critical task in computer vision that involves dividing an image into separate regions. The ACO algorithm has been used to segment medical images for better diagnosis and treatment.ConclusionThe Ant Colony Optimization algorithm has been successfully applied in many optimization problems, but its performance can be further improved by introducing several enhancements. The Max-Min Ant System algorithm is an improved version of the ACO algorithm that ensures better exploration and avoids premature convergence. The improved ACO algorithm has been applied in many real-world optimization problems such as Wireless Sensor Network Optimization, Vehicle Routing Problem, and Image Segmentation.。

智能PID控制器蚂蚁算法和模糊推理系统及其应用基于仿生人工腿摘要一种智能比例积分，微分（PID）控制器的设计方法，提出了基于蚂蚁算法和模糊推理相系统控制器是什么，模糊PID控制蚂蚁系统的离线和一个组成部分在线离线的一部分，以一个给定的PID控制器的控制系统，通过采取超调量，凝结时间和稳态系统的性能指标单位阶跃响应的错误，并利用蚂蚁系统算法一个最优的PID。

钾，钛和T2可，这是为的PID上的对K线的一部分，钛和T并根据为基础，在线调整的初始值组中使用的参数当前的系统误差E及其衍生物的时间，特定的程序被写入，这是用于优化和调整，通过模糊推理机制的PID参数的在线，以确保将SYS 反应最佳的瞬态和稳态性能。

这种智能PID控制器是可以用来控制由计算机模拟实验结果的智能仿生人工腿马达设计表明，该控制器具有超调量减少，缩短凝结时间。

关键词：蚁群算法，模糊推理; PID控制器，模糊PID控制器蚂蚁系统，智能仿生人工腿1引言到现在为止，比例，积分，微分（PID）控制器已被用来控制，然而，许多工业生产过程，因为其简单的结构，性能和可以接受地表现一个PID控制器的研究人员完全依赖有关调整的研究这模糊问题推理是一种智能控制法测定值的优点是控制输入可以通过模仿不知道的控制与PID控制理论模糊推理模型的精确测定一个人的经营经验，使控制系统具有不仅模糊推理的智能行为，但也是简单的结构和性能的PID研究人员研究了强劲的模糊PID控制器。

蚂蚁系统（AS）的算法是由多里戈建议是一种通用的新型启发式算法可以用来解决不同的组合优化问题的蚂蚁系统算法的主要特点是正反馈机制的分布式计算和搜索一个计算方法使用至今，蚂蚁系统算法研究已成功地用于解决诸如旅行商问题（TSP），二次分配问题，许多实际问题，离散优化问题等。

本文一个新的智能PID控制器的设计方法，提出了基于蚁群算法的模糊推理作家和开发，并用于控制由计算机模拟实验结果的智能仿生人工腿设计表明，这种马达智能PID控制器具有更好的控制性能。

分类号学号2003612100232学校代码1 0 4 8 7硕士学位论文一个改进的蚁群聚类优化算法及其仿真实验研究学位申请人罗增琦学科专业：计算机应用技术指导教师：陈传波教授答辩日期：2006年4月25日A Thesis Submitted in Partial Fulfillment of the Requirements for the Degree of Master of EngineeringStudy on An Improved Algorithm And SimulationExperiment Based on Ant Colony ClusteringCandidate:Luo ZengqiMajor:Computer Application TechnologySupervisor:Prof.Chen ChuanboHuazhong University of Science&TechnologyWuhan 430074,P.R.ChinaApril,2006摘要群体智能以分布性、简单性、灵活性和鲁棒性得到了越来越广泛的关注。

蚁群聚类算法是数据挖掘算法的一种，它起源于科学家对群体性昆虫的观察和研究。

Lumer和Faieta将Deneubourg提出的基本模型成功地推广应用到聚类分析。

LF算法仍然存在一些局限性，它的算法机制无法将偶然堆叠在一起的簇分开，造成了聚类结果往往纯度不高，严重影响了查准率。

为了克服LF算法的缺点，通过结合模糊聚类算法，提出了一种改进的蚁群聚类算法。

该算法回溯到Deneubourg的基本模型，通过引入相似因子、相异因子的概念，改变观察分数f的计算方法，进而达到影响拾起放下概率的目的。

相似因子大小由邻域内选定对象所属的等价分类的大小决定，相异因子大小由邻域内与不包含该对象的一个最大的等价分类的大小决定。

在这种方法下，蚂蚁具备从感官上初步划分存在于邻域内的数据对象的能力，以此作为进行下一步决策的依据。

改进蚁群算法的阀控液压缸模糊PID参数优化李杨;李岩舟【摘要】阀控摆动液压缸工作时需要协调快、稳定性强的特点,但现有的控制系统还缺少针对性的研究方法,存在着隶属度函数参数不确定、Fuzzy规则库和隶属函数无法更新,缺乏自适应性以及精度不高等问题.针对上述问题利用改进后的蚁群算法对阀控摆动液压缸模糊PID的误差变化e、误差变化率ec、比例△Kp、积分△Ki、微分△Kd五个参数进行优化,确定出合适的伸缩因子,通过仿真和实验实现对其模糊PID控制器的完善,达到预期的控制效果.实验证明:改进后的蚁群算法优化后的模糊PID控制系统其相对误差明显减小,对于恒定转速,其误差在5.48％,对于线性转速,其误差在6.52％.【期刊名称】《机械设计与制造》【年(卷),期】2018(000)007【总页数】5页(P143-146,150)【关键词】改进蚁群算法;比例阀;摆动液压缸;模糊PID控制系统;参数优化【作者】李杨;李岩舟【作者单位】广西大学机械工程学院,广西南宁 530004;广西大学机械工程学院,广西南宁 530004【正文语种】中文【中图分类】TH161 引言近年来，阀控摆动液压缸是工程机械上常用的伺服控制系统，它具有响应速度快、功率重量比大、负载刚性高和性能价格比高等特点[1]。

阀控摆动液压缸主要由电液转换控制系统，比例阀实现电液转换，摆动液压缸是执行元件，阀控摆动液压缸实现对位置、速度、力等量的系统[2]。

控制器主要有PID控制、模糊控制、模糊PID控制，针对较为复杂的工程作业常要求作业时协调快、稳定性强等特点，故采用模糊PID控制系统。

但是模糊PID控制系统还缺少对模糊PID控制器系统的研究方法，存在着隶属度函数参数不能确定、不能大范围改变参数、Fuzzy规则库和隶属函数无法更新，缺乏自适应性以及精度不高等问题[3]。

针对上述问题利用改进后的蚁群算法对模糊PID的误差变化e、误差变化率ec、比例Kp、积分Ki、微分Kd五个参数进行优化，确定出合适的各项因子，通过仿真和实验实现对模糊PID控制器的完善，达到预期的控制效果。